基于改進Bootstrap-Bayes的電子式剩余電流動作斷路器可靠性評估

劉幗巾 王 澤 李 想 趙興洲 繆建華

基于改進Bootstrap-Bayes的電子式剩余電流動作斷路器可靠性評估

劉幗巾 王 澤 李 想 趙興洲 繆建華

（省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業大學） 天津 300130）

作為一種高可靠性、長壽命產品，電子式剩余電流動作斷路器可獲得的試驗數據很少。為了對其可靠性進行評估，提出一種基于改進Bootstrap-Bayes的可靠性評估方法。首先，進行溫度為加速應力的剩余電流動作斷路器的加速退化試驗，利用退化數據外推得到偽失效壽命，經檢驗，電子式剩余電流動作斷路器偽失效壽命服從雙參數威布爾分布；然后，采用灰色GM(1, 1)模型對試驗數據進行擴充作為先驗信息，通過馬爾科夫鏈蒙特卡洛（MCMC）算法中的Gibbs抽樣結合Bayes公式得到參數估計值；最后，利用Arrhenius加速模型實現正常使用環境下剩余電流動作斷路器的可靠性評估。

電子式剩余電流動作斷路器 GM(1, 1)模型 Bootstrap抽樣 Bayes MCMC 可靠性評估

0 引言

剩余電流動作斷路器是一種常用的低壓保護電器，在保護用電人員人身安全及防止漏電事故方面具有重大作用[1-2]。電子式剩余電流動作斷路器制造過程簡單、生產成本較低，已成為我國剩余電流動作斷路器的主流產品。電子式剩余電流動作斷路器在使用過程中性能逐漸退化甚至失效。因此，對其進行可靠性評估，在失效前及時采取措施，能夠有效提高低壓配電系統的可靠性和安全性[3-4]。

目前，低壓電器等產品的可靠性評估及壽命預測已成為研究的熱點[5-6]。當前的研究大多集中于基于神經網絡[7-8]、Wiener過程[9]、Gamma過程[10]、支持向量機[11-12]等方法的評估預測。以上各種方法中，神經網絡進行訓練時需要的樣本數據較多，例如：文獻[7-8]訓練數據長度分別為2 500和799，并且預測結果受樣本容量影響較大；基于Wiener過程和Gamma過程建模分析時退化量需要滿足特定的分布形式；支持向量機在處理小樣本數據問題時具有一定的優勢，但其預測的準確性受參數影響較大，優化的過程較為繁瑣。從樣本容量、計算量、建模及求解過程方面考慮，Bayes方法常用來解決小樣本可靠性分析問題，能夠有效減少試驗所需次數、縮短試驗時間、節約試驗成本。剩余電流動作斷路器可靠性高、壽命長，退化過程緩慢，短時間內難以獲得足夠的試驗數據，因此，本文選擇利用Bayes方法對剩余電流動作斷路器的退化過程進行分析。

Bayes方法先利用先驗信息確定參數的先驗分布，再綜合先驗信息和試驗數據得到參數的后驗分布[13-14]。在 Bayes方法中，參數先驗分布的確定十分重要，將直接影響最后結果的準確度。當前，參數先驗分布的確定方法主要有共軛先驗分布[15]、主觀概率法[16]、無信息先驗分布[17]和Bootstrap抽樣法[18]。上述確定方法中，共軛先驗分布具有一定的使用范圍，并不是所有模型參數都有相應的共軛先驗分布；主觀概率法因主觀因素使得預測結果誤差較大；無信息先驗分布中Bayes假設的使用必須滿足一定的前提條件；Bootstrap抽樣法通過反復抽樣擴大樣本數量，在分析小樣本問題的可靠性中有很強的適用性，但在無先驗信息時不適用。Bayes方法的后驗分布求解涉及到高維積分運算，計算過程復雜且速度緩慢。

本文提出一種改進的Bootstrap-Bayes可靠性分析方法，針對先驗分布確定方法中存在的一些不足，利用GM(1,1)模型擴大Bootstrap抽樣法確定先驗分布的適用范圍，使Bootstrap-Bayes法在無先驗信息時也能使用，進而使得Bootstrap-Bayes法在小樣本可靠性分析中具有更大的使用范圍。然后，通過馬爾科夫鏈蒙特卡洛（Markov Chain Monte Carlo, MCMC）方法中的Gibbs抽樣簡化后驗分布的求解過程，避免了復雜的高維積分運算。最后，根據Arrhenius加速模型得出剩余電流動作斷路器的可靠性預測結果，為用電人員提供有力的數據參考。

1 剩余電流動作斷路器的加速退化試驗

1.1 加速退化試驗

作為一種高可靠性、長壽命產品，電子式剩余電流動作斷路器進行壽命試驗所需試驗周期過長，因此，本文利用加速退化試驗得到的退化數據對其可靠性進行評估。晶閘管、二極管、零序電流互感器等內部電子元器件的老化會造成電子式剩余電流動作斷路器的失效。溫度的升高將明顯加快電子元器件的腐蝕老化過程，同時，印制電路板的絕緣物質在高溫下將分解出有機氣體，也會影響其他部分的性能。由此可見，溫度是影響電子式剩余電流動作斷路器性能退化的主要因素，高溫將明顯加快剩余電流動作斷路器的性能退化過程[19]。因此，選取溫度作為加速退化試驗的加速應力。在保證剩余電流動作斷路器的失效機理不變的情況下，為加快其退化速度，將試驗溫度應力水平分別設置為50℃、60℃、70℃、85℃。

參照GB/T 2689.1-1981《恒定應力壽命試驗和加速壽命試驗方法總則》中相關規定，綜合考慮試驗時間和試驗成本，將每個溫度應力水平下的試驗樣本數確定為5。因此，隨機選取20只同批次生產的額定剩余動作電流值為30mA的電子式剩余電流動作斷路器進行恒定應力加速退化試驗。

在試驗過程中，每24h測量一次剩余動作電流值，共測量28個周期。每個試驗周期內先設置溫度為25℃，并保持2h，在2h內將溫度試驗箱內的溫度調至選定的溫度應力水平并持續16h，最后在2h內將溫度降低至25℃并保持2h。每個試驗周期末尾時刻測量剩余電流動作斷路器的剩余動作電流值。

試驗平臺主要由剩余電流動作斷路器檢測裝置和溫度試驗箱組成。試驗平臺電路框圖如圖1所示。圖中，L1為電源線，L2為零線，L3為檢測線。

溫度試驗箱用于提供剩余電流動作斷路器加速退化試驗所需的高溫環境。為了保證試驗過程中剩余電流動作斷路器能夠可靠動作，利用剩余電流動作斷路器檢測裝置通過導線L1、L2為其提供輔助電源。導線L1、L3是檢測裝置在檢測剩余電流動作斷路器的性能退化特征量時，向其提供剩余電流的通道，使其能夠測定剩余電流動作斷路器動作時對應的性能退化特征量。

1.2 退化數據分析

在50℃、60℃、70℃、85℃各組試驗中，每個溫度下的5個試品的剩余動作電流退化趨勢相同，退化速率差異性不大。以60℃時剩余動作電流退化數據為例，對同一溫度應力下5個剩余電流動作斷路器試品的退化趨勢進行分析，60℃時退化數據如圖2所示。

圖2 60℃時剩余電流動作斷路器的退化數據

由圖2可知，隨著試驗時間的增加，剩余電流動作斷路器的剩余動作電流值逐漸減小，呈下降趨勢，且5個試品的剩余動作電流退化趨勢基本一致，退化速率差異性很小。

比較不同溫度時剩余動作電流值的退化趨勢，每個溫度應力下隨機抽取1個試品，如圖3所示。

由圖3可知，各溫度應力下剩余電流動作斷路器的剩余動作電流值都呈現下降趨勢，且下降速率隨著溫度的升高而增加。

圖3 不同溫度剩余電流動作斷路器的退化趨勢

2 剩余電流動作斷路器的偽失效壽命

2.1 外推偽失效壽命

對獲得的退化數據進行退化軌跡擬合，利用最小二乘法估計不同溫度下剩余電流動作斷路器的性能退化軌跡參數，并根據失效閾值外推偽失效壽命值。試驗所選剩余電流動作斷路器的額定不動作電流值為15mA，假設試驗初始時刻斷路器的剩余動作電流值為，則相對失效閾值=-15。

以60℃下剩余電流動作斷路器樣品為例給出具體的偽失效壽命求解過程，利用最小二乘法將得到的剩余動作電流退化數據分別與常見的退化模型進行擬合，并根據殘差二次方和最小原則確定最優擬合模型。常見的退化模型有線性函數（=+）、指數函數（=e）、對數函數（=ln+）和冪函數（= ）。60℃下斷路器樣品的擬合殘差二次方和見表1。

表1 樣本數據與各模型擬合的殘差二次方和

Tab.1 The residual sum of squares of the sample data and each model fitting

通過比較表1中各個退化模型下的殘差二次方和，可以看出，5個樣品在線性函數下的殘差二次方和最小，殘差二次方和越小說明擬合效果越好，即可以確定線性模型的擬合效果最好。

經驗證，其余3個溫度應力水平下，剩余電流動作斷路器樣本數據均與線性模型擬合的效果最好。由此得到4個溫度應力下共20個剩余電流動作斷路器線性退化模型的斜率和截距參數值以及外推得到的偽失效壽命值，見表2。

表2 偽失效壽命

Tab.2 Pseudo-failure life

2.2 偽失效壽命分布類型檢驗

威布爾分布具有很好的兼容性，能夠對各類數據進行擬合，可以描述出產品在不同時期的失效過程。因此，本文選擇雙參數威布爾分布對電子式剩余電流動作斷路器進行可靠性建模。為了檢驗剩余電流動作斷路器的偽失效壽命分布是否符合威布爾分布，利用K-S檢驗法對斷路器的壽命分布進行檢驗，檢驗統計量見表3。

表3 檢驗統計量

Tab.3 Test statistics

當顯著性水平為0.05時，通過臨界值表可知K-S檢驗臨界值為0.563 3，表3中各溫度下偽失效壽命數據檢驗統計量均小于0.563 3，因此可認為剩余電流動作斷路器的偽失效壽命服從威布爾分布。

3 剩余電流動作斷路器的先驗分布求解

3.1 先驗信息的獲取

灰色GM(1,1)模型是一種常用的小樣本預測方法，預測過程簡單、結果準確度高[20-22]。因此，本文利用灰色GM(1,1)模型對剩余電流動作斷路器偽失效壽命數據擴充，將擴充后得到的偽失效壽命數據作為先驗信息。以60℃時剩余電流動作斷路器偽失效壽命的擴充為例，具體步驟如下：

（1）根據外推的剩余電流動作斷路器偽失效壽命值，可以得到60℃的原始序列={282.75, 296.43, 303.22, 310.55, 317.02}，對其進行一次累加，得到累加生成序列為={282.75, 579.18, 882.40, 1 192.95, 1 509.97}。

（2）利用得到的累加生成序列建立白化微分方程為

式中，、為待求解參數，其中為發展系數，為灰色作用量。

利用最小二乘法求,的解為

其中

在GM(1,1)模型中一般取值為0.5，求得=-0.022 5，=286.817 6。

（3）將得到的、值代入式（3）進行累減還原。

式中，為預測樣本次序。得到10個擴充數據：{324.45,331.84, 339.40, 347.13, 355.03, 363.11, 371.38, 379.84, 388.49, 397.33}。

（4）利用式（4）計算樣本的后驗差，并根據表4模型精度檢驗對得到的灰色模型進行檢驗。后驗差值越小，預測結果越精確。

式中，1為原始數據的方均差；2為誤差數據的方均差。

表4 模型精度檢驗

Tab.4 Model accuracy test

經計算后驗差值為0.016 8，小于0.35，即所得灰色模型預測精度為優，預測結果較為精確。說明以灰色模型擴充后的數據作為剩余電流動作斷路器的先驗信息是可行的。

3.2 Bootstrap方法確定先驗分布

將得到的參數值代入威布爾分布的經驗分布函數中，有

4 剩余電流動作斷路器的后驗分布求解

4.1 基于Gibbs的MCMC方法

4.2 MCMC方法確定參數估計值

Tab.5 Posterior statistic of parameter

Tab.5 Posterior statistic of parameter

均值標準差MC誤差開始點樣本數 369.900.375 40.009 71 0009 001 370.000.376 80.006 61 00019 001 370.000.375 70.004 91 00029 001 370.000.374 30.004 11 00039 001 370.000.372 80.003 51 00049 001

Tab.6 Posterior statistic of parameter

Tab.6 Posterior statistic of parameter

均值標準差MC誤差開始樣本樣本數 6.682.4440.182 91 0009 001 6.692.4950.126 81 00019 001 6.702.4670.095 71 00029 001 6.682.4550.079 81 00039 001 6.682.4470.066 81 00049 001

圖4 參數和的后驗概率密度

5 剩余電流動作斷路器的可靠性評估

由于溫度是影響剩余電流動作斷路器性能退化的主要因素，故剩余電流動作斷路器的退化速率和溫度的關系可以用Arrhenius模型表示，即

式中，為剩余電流動作斷路器的特征壽命；為絕對溫度；、為待求參數。

分別利用上述改進的Bootstrap-Bayes法對各組溫度應力下剩余電流動作斷路器威布爾分布參數進行求解。將各溫度應力下剩余電流動作斷路器參數后驗統計量中的均值作為參數的估計值，用于評估正常使用環境下剩余電流動作斷路器的可靠性。不同溫度應力下剩余電流動作斷路器的參數估計值見表7。

表7 剩余電流動作斷路器的參數估計值

Tab.7 Parameter estimation value of leakage circuit breaker

圖5中，數據點基本在一條直線上，擬合殘差二次方和為0.001 7，相關系數為0.994 5，線性回歸效果顯著。未知參數、的估計值分別為-4.864 2和2 484.913 0，則剩余電流動作斷路器尺度參數與溫度的關系為

將剩余電流動作斷路器正常使用環境溫度（25℃）代入式（15），得到常溫下尺度參數的點估計值為2 908.09。

正常使用環境下剩余電流動作斷路器的可靠度函數為

可靠度變化曲線如圖6所示。

對于可靠性較高的產品，人們往往只關心高可靠度范圍內產品的可靠性信息，所以本文重點只研究高可靠度范圍內剩余電流動作斷路器的可靠性評估。剩余電流動作斷路器可靠度評估結果見表8。

由圖6和表8可知，每個試驗周期為24h，1 842個周期為1 842天，約為5年后剩余電流動作斷路器的可靠度開始迅速下降；6.4年左右時，剩余電流動作斷路器的可靠度約為0.90。根據得到的剩余電流動作斷路器可靠度信息，使用人員應該在剩余電流動作斷路器發生故障前及時更換剩余電流動作斷路器，保證供電線路安全穩定運行。

表8 剩余電流動作斷路器的可靠度評估

Tab.8 Reliability evaluation of leakage circuit breaker

6 結論

針對剩余電流動作斷路器加速退化試驗過程中沒有失效數據的情況，充分利用剩余動作電流退化數據，采用改進Bootstrap-Bayes法對其可靠性進行評估。得到如下結論：

1）通過退化軌跡擬合外推剩余電流動作斷路器的偽失效壽命，經檢驗其服從雙參數威布爾分布。

2）利用GM(1,1)模型對剩余電流動作斷路器偽失效壽命數據進行擴充得到的數據作為斷路器的先驗信息。

3）利用MCMC的Gibbs抽樣結合Bayes公式得到參數的估計值，避免后驗分布中的高維復雜積分計算，大大簡化了后驗分布的求解過程。

4）根據Arrhenius模型得到在正常使用環境溫度下剩余電流動作斷路器的偽失效壽命服從（2 908.09, 9.96）的威布爾分布，并得到剩余電流動作斷路器的可靠性評估信息。

[1] 李奎, 王天朔, 王堯, 等. 基于數字恒流技術的B型剩余電流動作特性測試方法的研究[J]. 電測與儀表, 2020, 57(1): 147-152.

Li Kui, Wang Tianshuo, Wang Yao, et al. Research on test method of type B residual current operating characteristic based on digital constant current technology[J]. Electrical Measurement & Instru- mentation, 2020, 57(1): 147-152.

[2] 鄭榮進, 丁柯婷, 黃曉生, 等. 剩余電流保護斷路器動作特性自動測試系統設計[J]. 福建工程學院學報, 2018, 16(4): 381-385.

Zheng Rongjin, Ding Keting, Huang Xiaosheng, et al. An action characteristic automatic test system design of residual current protection circuit breaker[J]. Journal of Fujian University of Technology, 2018, 16(4): 381-385.

[3] 劉幗巾, 邊鑫磊, 馬曉燕, 等. 剩余電流動作斷路器動作特性檢測裝置的研究[J]. 電測與儀表, 2018, 55(8): 113-118.

Liu Guojin, Bian Xinlei, Ma Xiaoyan, et al. Research on the detection device for the operating charac- teristics of leakage circuit breakers[J]. Electrical Measurement and Instrumentation, 2018, 55(8): 113- 118.

[4] 邊鑫磊. 溫濕度對電子式剩余電流動作斷路器性能影響的研究[D]. 天津: 河北工業大學, 2017.

[5] 游穎敏, 王景芹, 舒亮, 等. 基于音頻特征的交流接觸器電壽命預測方法[J]. 電工技術學報, 2021, 36(9): 1986-1998.

You Yingmin, Wang Jingqin, Shu Liang, et al. The method of electrical life prediction considering the audio characteristics of AC contactor[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1986- 1998.

[6] 肖遷, 焦志鵬, 穆云飛, 等. 基于LightGBM的電動汽車行駛工況下電池剩余使用壽命預測[J]. 電工技術學報, 2021, 36(24): 5176-5185.

Xiao Qian, Jiao Zhipeng, Mu Yunfei, et al. LightGBM based remaining useful life prediction of electric vehicle lithium-ion battery under driving condi- tions[J]. Transactions of China Electrotechnical Society, 2021, 36(24): 5176-5185.

[7] 吳海洋, 繆巍巍, 郭波, 等. 基于遺傳算法的BP神經網絡蓄電池壽命預測研究[J]. 計算機與數字工程, 2019, 47(5): 1275-1278.

Wu Haiyang, Miao Weiwei, Guo Bo, et al. Research on battery life prediction of BP neural network based on genetic algorithm[J]. Computer & Digital Engin- eering, 2019, 47(5): 1275-1278.

[8] 李志剛, 劉伯穎, 李玲玲, 等. 基于小波包變換及RBF神經網絡的繼電器壽命預測[J]. 電工技術學報, 2015, 30(14): 233-240.

Li Zhigang, Liu Boying, Li Lingling, et al. Life prediction of relay based on wavelet packet transform and RBF neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(14): 233-240.

[9] 李奎, 高志成, 武一, 等. 基于統計回歸和非線性Wiener過程的交流接觸器剩余壽命預測[J]. 電工技術學報, 2019, 34(19): 4058-4070.

Li Kui, Gao Zhicheng, Wu Yi, et al. Remaining life prediction of AC contactors based on statistical regression and nonlinear Wiener process[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(19): 4058-4070.

[10] Ibrahim M S, Fan Jiajie, Yung W K C, et al. Lumen degradation lifetime prediction for high-power white LEDs based on the Gamma process model[J]. IEEE Photonics Journal, 2019, 11(6): 1-16.

[11] 徐佳寧, 倪裕隆, 朱春波. 基于改進支持向量回歸的鋰電池剩余壽命預測[J]. 電工技術學報, 2021, 36(17): 3693-3704.

Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(17): 3693-3704.

[12] 范賢浩, 劉捷豐, 張鐿議, 等. 融合頻域介電譜及支持向量機的變壓器油浸紙絕緣老化狀態評估[J]. 電工技術學報, 2021, 36(10): 2161-2168.

Fan Xianhao, Liu Jiefeng, Zhang Yiyi, et al. Aging evaluation of transformer oil-immersed insulation combining frequency domain spectroscopy and support vector machine[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2161-2168.

[13] 王琪, 孫玉坤, 倪福銀, 等. 一種混合動力電動汽車電池荷電狀態預測的新方法[J]. 電工技術學報, 2016, 31(9): 189-196.

Wang Qi, Sun Yukun, Ni Fuyin, et al. A new method of battery state of charge prediction in the hybrid electric vehicle[J]. Transactions of China Electro- chnical Society, 2016, 31(9): 189-196.

[14] 王豐華, 曾全昊, 鄭一鳴, 等. 基于Bayes估計相空間融合和CM-SVDD的有載分接開關機械故障診斷[J]. 中國電機工程學報, 2020, 40(1): 358-368, 402.

Wang Fenghua, Zeng Quanhao, Zheng Yiming, et al. A mechanical fault diagnosis of on- load tap- changers based on phase space fusion of Bayes estimation and CM-SVDD[J]. Proceedings of the CSEE, 2020, 40(1): 358-368, 402.

[15] Wu Min, Shi Yimin, Wang Yan. E-Bayesian estimation for competing risk model under pro- gressively hybrid censoring[J]. Journal of Systems Engineering and Electronics, 2016, 27(4): 936-944.

[16] 王新鵬, 張靜遠, 張洪剛. 無失效數據條件下裝備貯存可靠性分析[J]. 系統工程與電子技術, 2019, 41(5): 1169-1172.

Wang Xinpeng, Zhang Jingyuan, Zhang Honggang. Reliability analysis for equipment in storage with zero-failure data[J]. Systems Engineering and Elec- tronics, 2019, 41(5): 1169-1172.

[17] 宋征宇, 方志耕, 赫武樂, 等. 基于貝葉斯理論的小子樣運載火箭可靠性評估技術[J]. 深空探測學報(中英文), 2021, 8(1): 62-69.

Song Zhengyu, Fang Zhigeng, He Wule, et al. Research on reliability assessment methods of small sample based on Bayes theory[J]. Journal of Deep Space Exploration, 2021, 8(1): 62-69.

[18] 聶萌. 數控機床主軸可靠性分析[D]. 長春: 東北電力大學, 2019.

[19] Lakshminarayanan V, Sriraam N. The effect of temperature on the reliability of electronic com- ponents[C]//2014 IEEE International Conference on Electronics, Computing and Communication Tech- nologies, Bangalore, 2014: 1-6.

[20] Dejamkhooy A, Dastfan A, Ahmadyfard A. Modeling and forecasting nonstationary voltage fluctuation based on grey system theory[J]. IEEE Transactions on Power Delivery, 2017, 32(3): 1212-1219.

[21] 劉思捷, 張海鵬, 林舜江, 等. 夏季日最大降溫負荷的估算和預測方法[J]. 電力系統保護與控制, 2016, 44(5): 75-81.

Liu Sijie, Zhang Haipeng, Lin Shunjiang, et al. An estimating and forecasting method for daily maximum cooling load in summer[J]. Power System Protection and Control, 2016, 44(5): 75-81.

[22] Zheng Zhen, Zha Bingting, Yuan Hailu, et al. Adaptive edge detection algorithm based on improved grey prediction model[J]. IEEE Access, 2020, 8: 102165-102176.

Reliability Evaluation of Electronic Residual Current Operated Circuit Breakers Based on Improved Bootstrap-Bayes

（State Key Laboratory of Reliability and Intelligence of Electrical Equipment Hebei University of Technology Tianjin 300130 China）

As a kind of high reliability and long-life product, the electronic residual current operated circuit breaker has few test data. In order to evaluate its reliability, a reliability evaluation method based on improved Bootstrap-Bayes was proposed. Firstly, with temperature as the accelerated stress, the accelerated degradation test for the residual current operated circuit breaker was carried out. The pseudo failure life was obtained by extrapolating the degradation data, and it was verified to obey the two-parameter Weibull distribution. Then, the GM(1, 1) model was used to expand the experimental data as the prior information, and the parameter estimates were obtained by Gibbs sampling in the Markov Chain Monte Carlo (MCMC) algorithm combined with Bayes formula. Finally, the Arrhenius acceleration model was used to evaluate the reliability of the residual current operated circuit breaker under normal use environment.

Electronic residual current operated circuit breaker, GM(1, 1) model, Bootstrap sampling, Bayes, Markov Chain Monte Carlo (MCMC), reliability evaluation

10.19595/j.cnki.1000-6753.tces.210229

TM506

河北省自然科學基金項目（E2020202221）和河北省高等學?？茖W技術研究項目（ZD2019041）資助。

2021-02-24

2021-04-21

劉幗巾 女，1972年生，教授，碩士生導師，研究方向為電器設備可靠性。E-mail: liuguojin72@163.com（通信作者）

王 澤 女，1996年生，碩士研究生，研究方向為電器可靠性及檢測技術。E-mail: 1207258945@qq.com

（編輯 崔文靜）